Extrahujte odstavce do souboru PDF

Tento tutoriál vás provede procesem extrahování odstavců v souboru PDF pomocí Aspose.PDF pro .NET. Poskytnutý zdrojový kód C# ukazuje potřebné kroky.

Požadavky

Než začnete, ujistěte se, že máte následující:

• Visual Studio nebo jakýkoli jiný kompilátor C# nainstalovaný na vašem počítači.
• Aspose.PDF pro knihovnu .NET. Můžete si jej stáhnout z oficiálního webu Aspose nebo jej nainstalovat pomocí správce balíčků, jako je NuGet.

Krok 1: Nastavte projekt

1. Vytvořte nový projekt C# ve vámi preferovaném vývojovém prostředí.
2. Přidejte odkaz na knihovnu Aspose.PDF for .NET.

Krok 2: Importujte požadované jmenné prostory

Do souboru kódu, kam chcete extrahovat odstavce, přidejte následující pomocí direktiv v horní části souboru:

using Aspose.Pdf;
using System;
using System.Text;

Krok 3: Nastavte adresář dokumentů

V kódu vyhledejte řádek, který říkástring dataDir = "YOUR DOCUMENT DIRECTORY"; a nahradit"YOUR DOCUMENT DIRECTORY" s cestou k adresáři, kde jsou uloženy vaše dokumenty.

Krok 4: Otevřete dokument PDF

Otevřete existující dokument PDF pomocíDocumentkonstruktoru a předání cesty ke vstupnímu souboru PDF.

Document doc = new Document(dataDir + "input.pdf");

Krok 5: Extrahujte odstavce

Vytvořte instanciParagraphAbsorber třídy a používat jejíVisit metoda extrahování odstavců z dokumentu.

ParagraphAbsorber absorb = new ParagraphAbsorber();
absorb.Visit(doc);

Krok 6: Iterujte odstavce

Procházením extrahovaných odstavců získáte přístup k obsahu textu. Použijte vnořené smyčky k procházení sekcemi a řádky v každém odstavci.

foreach(PageMarkup markup in absorber.PageMarkups)
{
     int i = 1;
     foreach(MarkupSection section in markup.Sections)
     {
         int j = 1;
         foreach(MarkupParagraph paragraph in section.Paragraphs)
         {
             StringBuilder paragraphText = new StringBuilder();
             foreach(List<TextFragment> line in paragraph.Lines)
             {
                 foreach(TextFragment fragment in line)
                 {
                     paragraphText.Append(fragment.Text);
                 }
                 paragraphText. Append("\r\n");
             }
             paragraphText. Append("\r\n");
             Console.WriteLine("Paragraph {0} of section {1} on page {2}:", j, i, markup.Number);
             Console.WriteLine(paragraphText.ToString());
             j++;
         }
         i++;
     }
}

Ukázkový zdrojový kód pro extrahování odstavců pomocí Aspose.PDF pro .NET

// Cesta k adresáři dokumentů.
string dataDir = "YOUR DOCUMENT DIRECTORY";
//Otevřete existující soubor PDF
Document doc = new Document(dataDir + "input.pdf");
// Okamžitý odstavecAbsorber
ParagraphAbsorber absorber = new ParagraphAbsorber();
absorber.Visit(doc);
foreach (PageMarkup markup in absorber.PageMarkups)
{
	int i = 1;
	foreach (MarkupSection section in markup.Sections)
	{
		int j = 1;
		foreach (MarkupParagraph paragraph in section.Paragraphs)
		{
			StringBuilder paragraphText = new StringBuilder();
			foreach (List<TextFragment> line in paragraph.Lines)
			{
				foreach (TextFragment fragment in line)
				{
					paragraphText.Append(fragment.Text);
				}
				paragraphText.Append("\r\n");
			}
			paragraphText.Append("\r\n");
			Console.WriteLine("Paragraph {0} of section {1} on page {2}:", j, i, markup.Number);
			Console.WriteLine(paragraphText.ToString());
			j++;
		}
		i++;
	}
}

Závěr

Úspěšně jste extrahovali odstavce z dokumentu PDF pomocí Aspose.PDF pro .NET. Extrahované odstavce byly zobrazeny v okně konzoly.

FAQ

Otázka: Jaký je účel tohoto tutoriálu?

Odpověď: Tento tutoriál vás provede procesem extrahování odstavců ze souboru PDF pomocí Aspose.PDF pro .NET. Doprovodný zdrojový kód C# poskytuje praktické kroky k dosažení tohoto úkolu.

Otázka: Jaké jmenné prostory mám importovat?

Odpověď: Do souboru kódu, ze kterého chcete extrahovat odstavce, zahrňte na začátek souboru následující pomocí direktiv:

using Aspose.Pdf;
using System;
using System.Text;

Otázka: Jak určím adresář dokumentů?

A: Najděte linkustring dataDir = "YOUR DOCUMENT DIRECTORY"; v kódu a nahradit"YOUR DOCUMENT DIRECTORY" se skutečnou cestou k vašemu adresáři dokumentů.

Otázka: Jak otevřu existující dokument PDF?

Odpověď: V kroku 4 otevřete existující dokument PDF pomocíDocument konstruktoru a poskytnutí cesty ke vstupnímu souboru PDF.

Otázka: Jak extrahuji odstavce z dokumentu?

Odpověď: Krok 5 zahrnuje vytvoření instance souboruParagraphAbsorber třídy a její používáníVisit metoda extrahování odstavců z dokumentu PDF.

Otázka: Jak mohu iterovat extrahované odstavce?

Odpověď: Krok 6 vás provede procházením extrahovaných odstavců. Vnořené smyčky se používají k procházení sekcí a řádků v každém odstavci a nakonec k přístupu a zobrazení obsahu textu.

Otázka: Jaký je hlavní přínos tohoto tutoriálu?

Odpověď: Podle tohoto návodu jste se naučili, jak extrahovat odstavce z dokumentu PDF pomocí Aspose.PDF pro .NET. Extrahované odstavce byly zobrazeny v okně konzoly, což vám poskytuje cenný náhled do struktury obsahu dokumentu.